ENSURING FUNCTIONAL SUSTAINABILITY OF PRODUCTION PROCESSES OF INDUSTRIAL ENTERPRISES BASED ON THE NEUROADAPTIVE SYSTEM
DOI:
https://doi.org/10.26906/SUNZ.2024.3.046Keywords:
functional stability, diagnostics, neural networks, neuroadaptive systems, algorithm, neurochips, production process, industrial enterprisesAbstract
The article considers the problem of ensuring the functional stability of production processes of industrial enterprises based on neuroadaptive systems. In an industry where production processes are becoming increasingly complex and automated, the importance of reliable and sustainable control systems is growing. An analysis of modern approaches to the use of neural networks for adaptive management of production processes is carried out, which allows to increase their efficiency and reliability. Various methods of increasing functional stability are analyzed, including adaptive learning algorithms, regularization, and error detection and correction techniques. Special attention is paid to the integration of neuroadaptive systems with existing technologies and production lines, as well as their ability to quickly recover from failures and adapt to changing operating conditions. Based on the analysis, a new algorithm for diagnosing the main neuroadaptive systems is proposed, which will contribute to increasing the stability and reliability of production processes. When designing the hardware implementation of neural networks, such characteristics as scalability, development cost, compatibility with past and future versions are taken into account. Therefore, among existing neurochips, Google TPU v4 was chosen because it has a high performance factor and the system part of the software implements set of operations for managing the network interaction of system nodes. It is important to note that neural networks can be used in combination with other diagnostic methods and systems, such as expert systems, physical models, statistical methods.Downloads
References
Собчук В.В. Основи забезпечення функціональної стійкості інформаційних систем підприємств в умовах впливу дестабілізуючих факторів: монографія / В.В. Собчук, О.В. Барабаш, А.П. Мусієнко. К: Міленіум. – 2022. – 272 с. https://www.researchgate.net/publication/363474851_Basis_for_functional_stability_of_information_systems_businesses_un der_the_influence_of_destabilizing_factors
Sobchuk A.V. Assessment methods of functional stability of wireless sensor networks / A.V. Sobchuk, O.V. Barabash, A.P. Musienko // Телекомунікаційні та інформаційні технології. – 2019. – № 3 (64). – С. 46–54. https://doi.org/10.31673/2412- 4338.2019.034654
Собчук В.В. Методи контролю і діагностування інформаційної системи підприємства за принципом адаптивного накопичення діагностичної інформації / В.В. Собчук, О.В. Барабаш, А.П. Мусієнко, О.А. Капустян // Вісник Київського національного університету ім. Т. Шевченка. – 2020. – Вип. 4. – С. 69–78. https://doi.org/10.17721/1812-5409.2020/4.10
Barabash O. Ensuring the functional stability of the information system of the power plant on the basis of monitoring the parameters of the working condition of computer devices / O. Barabash, O. Svynchuk, I. Salanda, V. Mashkov, M. Myroniuk // Advanced Information Systems. – 2024. – Vol. 8, no. 2. – P. 107–117. https://doi.org/10.20998/2522-9052.2024.2.12
Барабаш О. В. Програмне забезпечення контролю справного стану інформаційних систем в енергетичній галузі для забезпечення функціональної стійкості / О. В. Барабаш, О. В. Свинчук, Бандурка О. І. // Сучасний захист інформації. – 2024. – № 2 (58). – С. 41–49. https://doi.org/10.31673/2409-7292.2024.020005
Svynchuk O. Development of the information system for monitoring time changes in forest plantations based on the analysis of space images / O. Svynchuk, O. Bandurka, O. Barabash, O. Ilin, A. Lapin // Eastern-European Journal of Enterprise Technologies. – 2022. – Vol. 5, no. 2 (119). – P. 31–41. https://doi.org/10.15587/1729-4061. 2022. 265039
Mashkov V.A. Self-Checking of modular systems under random performance of elementary checks. Engineering Simulation / V.A. Mashkov, O.V. Barabash // Amsterdam: OPA. – 1995. – Vol. 12. P. 433–445.
Sobchuk V. Adaptive accumulation and diagnostic information systems of enterprises in energy and industry sectors / V. Sobchuk, O. Barabash, A. Musienko, O. Svynchuk // E3S Web of Conferences. – 2021. – Vol. 250. – P. 82–87. https://doi.org/10.1051/e3sconf/202125008002
Barabash O. System analysis and method of ensuring functional sustainability of the information system of a critical infrastructure object / O. Barabash, V. Sobchuk, A. Musienko O. Laptiev, V. Bohomia, S. Kopytko // In: Zgurovsky, M., Pankratova, N. (eds) System Analysis and Artificial Intelligence. Studies in Computational Intelligence. – 2023. – Vol 1107. – Springer, Cham. – P. 117–192. https://doi.org/10.1007/978-3-031-37450-0_11
Maksymuk O.V. A system of indicators and criteria for evaluation of the level of functional stability of information heterogenic networks / O.V. Maksymuk, V.V. Sobchuk, I.P. Salanda, Yu.V. Sachuk // Mathematical modeling and computing. – 2020. – Vol. 7, no. 2. – P. 285–292. http://doi.org/10.23939/mmc2020.02.285
Mashkov O. Features of determining controlling effects in functionally-stablesystems with the recovery of a control / O. Mashkov, V. Chumakevych, O. Sokulsky, L. Chyrun // Mathematical Modeling And Computing. – 2019. – Vol. 6, no. 1. – P. 85–91. http://doi.org/10.23939/mmc2019.01.085
Laptiev O. The method of construction of the law of safety management of critical infrastructure objects under the conditions of external uncontrolled influences / O. Laptiev, O. Barabash, I. Tsyganivska, D. Obidin, A. Sobchuk // CEUR Workshop Proceedings. – 2023. – Vol. 3624. – Р. 291–300. https://ceur-ws.org/Vol-3624/Paper_24.pdf
Собчук А.В. Застосування нейромереж для забезпечення функціональної стійкості виробничих процесів / А.В. Собчук, Ю.І. Олімпієва // Телекомунікаційні та інформаційні технології. – 2020. – № 2 (67). – С. 13–28. http://doi.org/10.31673/2412-4338.2020.021328
Тюлюпа С.В. Самодіагностування як спосіб підвищення кіберстійкості термінальних компонентів технологічної системи / С.В. Тюлюпа, Ю.Я. Самохвалов, П.В. Хусаінов, С.С. Штатенко // Кібербезпека: освіта, наука і техніка. – 2023. – № 2 (22). С. 134–147. https://doi.org/10.28925/2663-4023.2023.22.134147
Собчук В.В. Функціональна стійкість технологічних процесів на основі нелінійної динаміки із застосуванням нейромереж / В.В. Собчук, І.В. Замрій, Ю.І. Олімпієва, С.О. Лаптєв // Сучасні інформаційні системи. – 2021. – Т.5 (2). – С.49–57. https://doi.org/10.20998/2522-9052.2021.2.08
Guo-Qiang Kong Stability analysis of delayed neural networks based on improved quadratic function condition / Guo-Qiang Kong, Liang-Dong Guo // Neurocomputing. – 2023. – Vol. 524. – P. 158–166. https://doi.org/10.1016/j.neucom.2022.12.012.
Кожем’яко В.П. Сучасний стан, елементна база та порівняльний аналіз характеристик нейрообчислювачів / В.П. Кожем’яко, А.В. Кожем’яко, О.С. Васильківа // Оптико-електронні інформаційно-енергетичні технології. – 2017. – Т. 32 (2). – С. 29–38.
The future of AI is Wafer-Scale [Електронний ресурс]. – Режим доступу: https://www.cerebras.net/product-chip/
NVIDIA H200 Tensor Core GPU [Електронний ресурс]. – Режим доступу: https://www.nvidia.com/en-us/data-center/h200/
NVIDIA DGX H100 [Електронний ресурс]. – Режим доступу: https://nvdam.widen.net/s/kpwzdwrwbv/ai-for-enterprisedgx-h100-datasheet-nvidia-a4-2146027-r3-web
Introducing TPU v4: Googles Cutting Edge Supercomputer for Large Language Models [Електр. ресурс]. – Режим доступу: https://www.kdnuggets.com/2023/04/introducing-tpu-v4-googles-cutting-edge-supercomputer-large-language-models.html
Jouppi N.P. A domain-specific supercomputer for training deep neural networks / N.P. Jouppi, D.H. Yoon, G. Kurian, S. Li, N. Patil, J. Laudon, C. Young, D. Patterson // Communications of the ACM. – 2020. – Vol. 63, no. 7. – P. 67–78. https://doi.org/10.1145/3360307
Graphcore/ IPU-POD64 Reference Design Datasheet [Електронний ресурс]. – Режим доступу: https://docs.graphcore.ai/projects/ipu-pod64-datasheet/en/latest/overview.html
NVIDIA A100 Tensor Core GPU Architecture [Електронний ресурс]. – Режим доступу: https://images.nvidia.com/aemdam/en-zz/Solutions/data-center/nvidia-ampere-architecture-whitepaper.pdf
